Espaço Web de Alberto Simões

EN Biingual Terminology Extraction based on Translation Patterns

• Author: Alberto Simões and José João Almeida
• Journal: Procesamiento del Lenguaje Natural
• Year: 2008
• Month: September
• Abstract: [ >> ][ << ]

  Parallel corpora are rich sources of translation resources. This document presents a methodology for the extraction of bilingual nominals (terminology candidates) from parallel corpora, using translation patterns. The patterns proposed in this work specify the order changes that occur during translation and that are intrinsic to the involved languages syntaxes. These patterns are described in a domain specific language named PDL (Pattern Description Language), and are extremely efficient for the detection of nominal phrases.

• Volume: 41
• Pages: 281–288
• Downloads: [pdf] 

Extracção de Recursos de Tradução com base em Dicionários Probabilísticos de Tradução

• Author: Alberto Manuel Brandão Simões
• School: Escola de Engenharia, Universidade do Minho
• Year: 2008
• Address: Braga
• Month: May

Portuguese-English word alignment: some experiments

• Author: Diana Santos and Alberto Simões
• Booktitle: LREC 2008 — The 6th edition of the Language Resources and Evaluation Conference
• Year: 2008
• Month: 28–30, May
• Address: Marrakech
• Publisher: European Language Resources Association (ELRA).
• Abstract: [ >> ][ << ]

  In this paper we describe some studies of Portuguese-English word alignment, focusing on (i) measuring the importance of the coupling between dictionaries and corpus; (ii) assessing the relevance of using syntactic information (POS and lemma) or just word forms, and (iii) taking into account the direction of translation. We first provide some motivation for the studies, as well as insist in separating type from token alignment. We then briefly describe the resources employed: the EuroParl and COMPARA corpora, and the alignment tools, NATools, introducing some measures to evaluate the two kinds of dictionaries obtained. We then present the results of several experiments, comparing sizes, overlap, translation fertility and alignment density of the several bilingual resources built. We also describe preliminary data as far as quality of the resulting dictionaries or alignment results is concerned.

• Downloads: [pdf] 

CGI::Auto — Automatic Web-Service Creation

• Author: Davide Sousa, Alberto Simões and José João Almeida
• Booktitle: XATA 2008 — 6ª Conferência Nacional em XML, Aplicações e Tecnologias Aplicadas
• Year: 2008
• Month: February
• Pages: 22–27
• Isbn: 978-972-99166-5-6
• Editor: José Carlos Ramalho and João Correia Lopes and Salvador Abreu
• Abstract: [ >> ][ << ]

  The creation of a CGI or a WebService as an interface for a command line tool is not as unusual as it may seem. It is extremely usual and useful. There are applications developed as command line tools that can be useful for different purposes, and different kind of users. Some of these users might not be able to run these tools directly. For instance, it is not easy to install a bunch of Perl modules to have a small tool working. For these situations, it is easier to make the tool available in the Web or as a WebService. The problem with making the tool available in these fashions, is that programmers tend to rewrite the tools to incorporate the CGI or XML specific layers. We defend that these CGI or WebService interfaces should use the already available command line tool, without any change. This interface should be able to read a simple textual specification of how the command line tool works, and buid the CGI or XML specific layers automatically. The CGI::Auto module aims this purpose: to encapsulate command line tools in a CGI layer based on a textual specification, transforming the command line tool in a web application.

• Downloads: [pdf] 

NAVEGANTE — An Intrusive Browsing Framework

• Author: Nuno Carvalho, José João Almeida and Alberto Simões
• Booktitle: XATA 2008 — 6ª Conferência Nacional em XML, Aplicações e Tecnologias Aplicadas
• Year: 2008
• Month: February
• Pages: 52–63
• Isbn: 978-972-99166-5-6
• Editor: José Carlos Ramalho and João Correia Lopes and Salvador Abreu
• Abstract: [ >> ][ << ]

  NAVEGANTE is a generic framework to build superior order proxies for intrusive browsing. This framework provides the means for developing tools that behave as proxies, but perform some processing task on the content that is being browsed. Parallel to this content processing, applications can also run other user-defined functions with different purposes and interfaces, but we'll explain those later. Currently, NAVEGANTE only builds applications that run as CGIs, but this is intended to change in a near future. Applications are built writing programs in NAVEGANTE's Domain Specific Language (DSL). NAVEGANTE is a work in progress. This article aims to describe the current state of development. What applications can be built and how. Also, we identify some implementation problems, and briefly discuss some future improvements. Finally, we try to illustrate most of the concepts described using a couple of case studies.

• Downloads: [pdf] 

PT Segmentação Bilingue com base na Marker Hypothesis

• Author: Alberto Simões
• Booktitle: Simpósio Doutoral em Inteligência Artificial 2007
• Pages: 135–144
• Year: 2007
• Editor: César Analide and Paulo Novais and Pedro Henriques
• Address: Guimarães
• Month: December
• Isbn13: 978-989-95618-1-6
• Abstract: [ >> ][ << ]

  A existência de exemplos de tradução é imprescindível para tradução assistida por computador bem como para tradução automática baseada em dados (EBMT e SMT). No entanto, o uso de unidades de tradução de corpora paralelos directamente na tradução não é eficaz já que estas unidades são demasiado grandes, e portanto, torna-se pouco provável que uma mesma unidade de tradução tenha de ser traduzida mais do que uma vez. Para colmatar este problema há necessidade de explorar outras metodologias para a divisão de unidades de tradução em segmentos paralelos mais pequenos. Uma das abordagens que tem vindo a ser utilizada é a segmentação baseada em marcadores (Marker Hypothesis). Este documento pretende documentar as experiências realizadas na utilização deste método para a segmentação de texto português (paralelo com o inglês).

• Downloads: [pdf] 

EN An Ontology-Based Approach To Systems Biology Literature Retrieval and Processing

• Booktitle: New Trends in Artificial Intelligence
• Editor: José Neves and Manuel Filipe Santos and José Manuel Machado
• Pages: 541–552
• Isbn13: 978-989-95618-0-9
• Author: Anália Lourenço, Alberto Simões, José Almeida, Miguel Rocha, Isabel Rocha and Eugénio Ferreira
• Year: 2007
• Month: December
• Abstract: [ >> ][ << ]

  This paper details the SysBio Explorer, a Systems Biology Literature Retrieval and Processing Framework, whose aim relies on the automatic inference of regulatory and metabolic networks based on biomedical literature. The SysBio Explorer does not focus on any organism or problem in particular and encompasses a number of processing and analysis techniques. It works over full-text documents, applying Natural Language Processing techniques and using biomedical dictionaries and ontologies together with hand-made rules. Besides biological entity recognition and relation extraction, document classification, relevance assessment and authoring networks are also within its present scope. The framework is described in terms of its design requirements and implementation decisions, exposing current achievements, but also highlighting present obstacles and future work. Experiments over real-world problems concerning the organisms E. coli, S. cerevisiae and H. pylori are used in its validation.

• Downloads: [pdf] 

EN Using Text Mining Techniques for Classical Music Scores Analysis

• Booktitle: New Trends in Artificial Intelligence
• Editor: José Neves and Manuel Filipe Santos and José Manuel Machado
• Pages: 791–799
• Author: Alberto Simões, Anália Lourenço and José João Almeida
• Year: 2007
• Month: December
• Abstract: [ >> ][ << ]

  Abstract.Music Classification is a particular area of Computational Musicology that provides valuable insights about the evolving of compo- sition patterns and assists in catalogue generation. The proposed work detaches from former works by classifying music based on music score in- formation. Text Mining techniques support music score processing while Classification techniques are used in the construction of decision mod- els. Although research is still at its earliest beginnings, the work already provides valuable contributes to symbolic music representation process- ing and subsequent analysis. Score processing involved the counting of ascending and descending chromatic intervals, note duration and meta- information tagging. Analysis involved feature selection and the evalu- ation of several data mining algorithms, ensuring extensibility towards larger repositories or more complex problems. Experiments report the analysis of composition epochs on a subset of the Mutopia pro ject open archive of classical LilyPond-annotated music scores.

• Downloads: [pdf] 

EN Parallel Corpora based Translation Resources Extraction

• Author: Alberto Simões and José João Almeida
• Journal: Procesamiento del Lenguaje Natural
• Year: 2007
• Pages: 265–272
• Number: 39
• Month: September
• Abstract: [ >> ][ << ]

  This paper describes NATools, a toolkit to process, analyze and extract translation resources from Parallel Corpora. It includes tools like a sentence-aligner, a probabilistic translation dictionaries extractor, word-aligner, a corpus server, a set of tools to query corpora and dictionaries, as well as a set of tools to extract bilingual resources.

• Downloads: [pdf] 

Makefile::Parallel Dependency Specification Language

• Author: Alberto Simões, Rúben Fonseca and José João Almeida
• Booktitle: Euro-Par 2007
• Year: 2007
• Address: Rennes, France
• Month: August
• Pages: 33–41
• Editor: Anne-Marie Kermarrec and Luc Bougé and Thierry Priol
• Volume: 4641
• Series: LNCS
• Publisher: Springer-Verlag
• Abstract: [ >> ][ << ]

  Some processes are not easy to be programmed from scratch for parallel machines (clusters), but can be easily split on simple steps. Makefile::Parallel is a tool which lets users to specify how processes depend on each other. The language syntax resembles the well known Makefile makefiles format, but instead of specifying files or targets dependencies, Makefile::Parallel specifies processes (or jobs) dependencies. The scheduler submits jobs to the cluster scheduler (in our case, Rocks PBS) waiting them to end. When each process finishes, dependencies are calculated and direct dependent jobs are submitted. Makefile::Parallel language includes features to specify parametric rules, used to split and join processes dependencies. Some tasks can be split into n smaller jobs working on different portions of files. At the end, another process can be used to join the results.

Webpaper — Más Perguntas e Boas Respostas: a Arte de Interrogar

• Author: Alberto Simões, Paulo Rocha and Rúben Fonseca
• Booktitle: Challenges 2007 — V Conferência Internacional de Tecnologias de Informação e Comunicação
• Year: 2007
• Address: Braga
• Month: Maio
• Abstract: [ >> ][ << ]

  Neste documento apresentamos o conceito de WebPaper, a resposta a um conjunto de questões de vários graus de dificuldade usando como recurso base a Internet. Em primeiro lugar é discutido o conceito de WebPaper e o tipo de questões que são colocadas. Em seguida são descritas as experiências já realizadas e em que contextos. Finalmente, apresentamos uma framework para a ajuda na realização de WebPapers.

• Downloads: [pdf] 

Jspellando nas morfolimpíadas: Sobre a participação do Jspell nas Morfolimpíadas

• Author: José João Almeida and Alberto Simões
• Booktitle: Avaliação conjunta: um novo paradigma no processamento computacional da língua portuguesa
• Year: 2007
• Pages: 83–90
• Editor: Diana Santos
• Isbn: 978-972-8469-60-8
• Publisher: IST Press

Avaliação de alinhadores

• Author: Alberto Simões and José João Almeida
• Booktitle: Avaliação conjunta: um novo paradigma no processamento computacional da língua portuguesa
• Isbn: 978-972-8469-60-8
• Publisher: IST Press
• Year: 2007
• Pages: 219–230
• Editor: Diana Santos

XML::TMX — Processamento de Memórias de Tradução de Grandes Dimensões

• Author: José João Almeida and Alberto Simões
• Booktitle: XATA 2007 — 5ª Conferência Nacional em XML, Aplicações e Tecnologias Aplicadas
• Year: 2007
• Month: February
• Pages: 83–93
• Isbn: 978-972-99166-4-9
• Editor: José Carlos Ramalho and João Correia Lopes and Luís Carríço
• Abstract: [ >> ][ << ]

  As ferramentas de tradução assistida por computador tentam reutilizar as traduções realizadas pelo tradutor sempre que uma frase semelhante tenha sido já traduzida. Para o intercâmbio destes documentos foi definido um formato denominado TMX (Translation Memory Exchange) baseado em XML. Este tipo de documento ganha facilmente tamanhos incomportáveis para o seu processamento com métodos tradicionais. Neste artigo propomos uma metodologia de ordem superior para o processamento de documentos de estrutura repetitiva (em que se inserem as memórias de tradução) com uma abordagem baseada na conjunção de SAX e DOM. São apresentados vários exemplos de filtros sobre memórias de tradução bem como um conjunto de medidas da sua eficiência.

• Downloads: [pdf] 

Alternativas ao XML: YAML e JSON

• Author: Rúben Fonseca and Alberto Simões
• Booktitle: XATA 2007 — 5ª Conferência Nacional em XML, Aplicações e Tecnologias Aplicadas
• Year: 2007
• Month: February
• Pages: 33–46
• Isbn: 978-972-99166-4-9
• Editor: José Carlos Ramalho and João Correia Lopes and Luís Carríço
• Abstract: [ >> ][ << ]

  O XML tem sido eleito como a linguagem de anotação por excelência, possuindo ao mesmo tempo boas capacidades para serialização de estruturas computacionais e transporte de dados independente da plataforma. Recentemente porém, novos formatos de dados têm surgido. Alguns deles têm tido uma boa aceitação porque resolvem alguns problemas ou limitações do XML, sendo em algumas situações um bom complemento ou substituto do mesmo. Neste artigo iremos apresentar dois desses formatos de dados - o YAML e o JSON - fazendo uma abordagem geral dos mesmos e analisando algumas métricas que nos poderão ajudar a decidir se e quando usar estas alternativas.

• Downloads: [pdf] 

EN NatServer: A Client-Server Architecture for building Parallel Corpora applications

• Author: Alberto Simões and J. João Almeida
• Year: 2006
• Journal: Procesamiento del Lenguaje Natural
• Address: Zaragoza, Spain
• Month: September
• Volume: 37
• Pages: 91–97
• Abstract: [ >> ][ << ]

  Parallel corpora are important resources for most Natural Language processing tasks. From the common applications, like machine translation, to the usually mono-lingual tasks as paraphrase detection and word sense disambiguation, most researchers are using massive parallel corpora. Thus, the availability of an efficient way to manage them is very important. This paper presents a Client-Server architecture to query efficiently parallel corpora and probabilistic translation dictionaries.

• Downloads: [pdf] 

EN Combinatory Examples Extraction for Machine Translation

• Author: Alberto Simões and J. João Almeida
• Year: 2006
• Booktitle: 11th Annual Conference of the European Association for Machine Translation
• Editor: Jan Tore Lønning and Stephan Oepen
• Address: Oslo, Norway
• Pages: 27–32
• Month: 19–20, June
• Isbn: 82-7368-294-3
• Abstract: [ >> ][ << ]

  One of the bottlenecks of example-based machine translation (EBMT) is to be able to amass automatically quantities of good examples. In our work in EBMT, we are investigating how far one can go by performing example extraction from parallel corpora using Probabilistic Translation Dictionaries to obtain example segmentation points. In fact, the success of EBMT highly depends on examples quality and quantity, but also in their length. Thus, we give special importance on methods to extract different size examples from the same translation unit. With this article we show that it is possible to extract quantities for examples from parallel corpora just using probabilistic translation dictionaries extracted from the same corpora.

• Downloads: [pdf] 

EN T₂O — Recycling Thesauri into a Multilingual Ontology

• Author: José João Almeida and Alberto Simões
• Booktitle: Fifth international conference on Language Resources and Evaluation, LREC 2006
• Year: 2006
• Address: Genova, Italy
• Month: May
• Abstract: [ >> ][ << ]

  In this article we present T₂O — a workbench to assist the process of translating heterogeneous resources into ontologies, to enrich and add multilingual information, to help programming with them, and to support ontology publishing. T₂O is an ontology algebra.

• Downloads: [pdf] 

EN Publishing multilingual ontologies: a quick way of obtaining feedback

• Author: J. João Almeida and Alberto Simões
• Year: 2006
• Booktitle: ElPub 2006 — Digital Spectrum: Integrating Technology and Culture
• Address: Bansko, Bulgaria
• Month: June
• Abstract: [ >> ][ << ]

  Dictionary and Thesaurus are valuable resources for Natural Language Processing but do not exist as freely available as expected, especially for languages other than English and, when they exist, they are just available for querying online. Our main goal with T2O — Thesaurus to Ontology framework — is to create a multilingual ontology: freely available online and to download; with a computer readable format; with a good API; with a structure as rich as possible; reusing all the structured information we can get;

• Downloads: [pdf] 

EN Transcoding for Web Accessibility for the Blind: Semantics from Structure

• Author: António R. Fernandes, Alexandre Carvalho, J. João Almeida and Alberto Simões
• Booktitle: ElPub 2006 — Digital Spectrum: Integrating Technology and Culture
• Year: 2006
• Address: Bansko, Bulgaria
• Month: June
• Abstract: [ >> ][ << ]

  True accessibility requires minimizing the scanning time to find a particular piece of information. Sequentially reading web pages do not provide this type of accessibility, for instance before the user gets to the actual text content of the page it has to go through a lot of menus and headers. However if the user could navigate a web page based through semantically classified blocks then the user could jump faster to the actual content of the page, skipping all the menus and other parts of the page. We propose a transcoding engine that tackles accessibility at two distinct, yet complementary, levels: for specific known sites and general unknown sites. We present a tool for building customized scripts for known sites that turns this process in an extremely simple task, which can be performed by anyone, without any expertise. For general unknown sites, our approach relies on statistical analysis of the structural blocks that define a web page to infer a semantic for the block.

• Downloads: [pdf] 

PT Geração dinâmica de APIs Perl para criação de XML

• Author: José João Almeida and Alberto Simões
• Booktitle: XATA 2006 — 4ª Conferência Nacional em XML, Aplicações e Tecnologias Aplicadas
• Pages: 307–314
• Year: 2006
• Editor: José Carlos Ramalho and Alberto Simões and João Correia Lopes
• Address: Portalegre
• Month: February
• Isbn: 972-99166-2-4
• Abstract: [ >> ][ << ]

  É consensual que o XML como linguagem para a estruturação de documentos tem vindo a tomar um lugar relevante. É também evidente a vantagem obtida no uso de XML como linguagem de intercâmbio. No entanto, a sua sintaxe é demasiado descritiva pelo que a geração de documentos de forma manual é dolorosa sendo útil dispor de módulos que simplifiquem essa tarefa. Neste artigo propomos um módulo Perl (XML::Writer::Simple) configurável via DTD que simplifica a tarefa de gerar XML.

• Downloads: [pdf] 

EN The XLDB Group at the CLEF 2005 Ad-Hoc Task.

• Author: Nuno Cardoso, Leonardo Andrade, Alberto Simões and Mário J. Silva
• Booktitle: Accessing Multilingual Information Repositories, 6th Workshop of the Cross-Language Evaluation Forum, CLEF 2005
• Year: 2005
• Pages: 54–60
• Address: Vienna, Austria
• Month: September
• Editor: C. Peters and F. Gey and J. Gonzalo and H. Mueller and G. Jones and M. Kluck and B. Magnini and M. Rijke
• Volume: 4022
• Series: LNCS
• Publisher: Springer-Verlag
• Abstract: [ >> ][ << ]

  This paper presents the participation of the XLDB Group in the CLEF 2005 ad-hoc monolingual and bilingual subtasks for Portuguese. We participated with an improved and extended configuration of the tumba! search engine software. We detail the new features and evaluate their performance.

• Downloads: [pdf] 

PT Representação em XML da Floresta Sintáctica

• Author: Rui Vilela, Alberto Simões, Eckhard Bick and José João Almeida
• Booktitle: XATA 2005 — 3ª Conferência Nacional em XML, Aplicações e Tecnologias Aplicadas
• Pages: 351–361
• Year: 2005
• Editor: José Carlos Ramalho and Alberto Simões and João Correia Lopes
• Address: Braga
• Month: February
• Isbn: 972-99166-1-6
• Abstract: [ >> ][ << ]

  A Floresta Sintáctica é um recurso linguístico mantido e distribuído livremente ao público pela Linguateca. Face à necessidade de abranger uma maior comunidade de linguistas e de programadores na área do processamento da linguagem natural, procura-se distribuir este recurso em outros formatos alem do existente, tais como formatos baseados em XML. Pretende-se neste documento descrever o processo de equipar a Floresta Sintáctica com mecanismos que facilitem a sua utilização. Para isso pretende-se converter o seu formato actual para formatos baseados em XML. Serão analisados os problemas e questões da definição XML deste tipo de recurso. Apresenta-se ainda um módulo experimental construído especificamente para facilitar a construção de processadores da Floresta.

• Downloads: [pdf] 

PT Inferência de tipos em documentos XML

• Author: José João Almeida and Alberto Manuel Simões
• Booktitle: XATA 2005 — 3ª Conferência Nacional em XML, Aplicações e Tecnologias Aplicadas
• Pages: 144–154
• Year: 2005
• Editor: José Carlos Ramalho and Alberto Simões and João Correia Lopes
• Address: Braga
• Month: February
• Isbn: 972-99166-1-6
• Abstract: [ >> ][ << ]

  A estrutura dos documentos XML é descrita, habitualmente, em DTDs e/ou Schemas, o que permite ao programador estudar a forma de processamento estrutural mais correcta para o tipo de documento em causa. No entanto, outros documentos há em que o tipo de documento não está definido e que obriga a analisar o documento para inferir a estrutura em causa. Paralelamente algumas especificações baseadas em Schemas tendem a ser de tal modo grandes que se tornam impossíveis de ler. Neste documento pretendemos apresentar a ferramenta PFS, capaz de inferir tipos a partir de documentos XML, de mostrar de forma compacta essa informação e pretendemos ainda mostrar como esses tipos podem ajudar no processamento desses documentos (usando XML::DT com tipos).

• Downloads: [pdf] 

PT A Importância do uso de Ontologias num Museu Virtual

• Author: Alberto Simões, Tiago Bezerra and Pedro Henriques
• Booktitle: II Congresso Internacional de Investigação e Desenvolvimento Sócio-cultural
• Year: 2004
• Address: Paredes de Coura
• Month: Outubro
• Organization: AGIR - Associação para a Investigação e Desenvolvimento Sócio-cultural
• Pages: sem pp
• Abstract: [ >> ][ << ]

  Neste documento apresentamos a importância do uso de ontologias para a classificação das peças de um museu virtual, bem como para permitir ao utilizador uma visita contextualizada e coerente.

• Downloads: [pdf] 

EN Linguateca: um centro de recursos distribuído para o processamento computacional da língua portuguesa

• Author: Diana Santos, Alberto Simões, Ana Frankenberg-Garcia, Ana Pinto, Anabela Barreiro, Belinda Maia, Cristina Mota, Débora Oliveira, Eckhard Bick, Elisabete Ranchhod, José João Dias de Almeida, Luís Cabral, Luís Costa, Luís Sarmento, Marcirio Chaves, Nuno Cardoso, Paulo Rocha, Rachel Aires, Rosário Silva, Rui Vilela and Susana Afonso
• Year: 2004
• Editor: Guillermo De Ita Luna and Olac Fuentes Chávez and Mauricio Osorio Galindo
• Booktitle: International workshop "Taller de Herramientas y Recursos Linguísticos para el Espanõl y el Portugués", IX Iberoamerican Conference on Artificial Intelligence
• Pages: 147–154
• Address: Puebla, México
• Abstract: [ >> ][ << ]

  Neste artigo apresentamos uma panorâmica da actividade da Linguateca na criação e disponibilização de recursos e ferramentas para a língua portuguesa. Começamos por uma descrição dos objectivos e pressupostos da Linguateca e uma breve história da sua intervenção, e finalizamos com algumas considerações sobre a melhor forma de prosseguir na organização da área.

• Downloads: [pdf] 

EN Distributed Translation Memories implementation using WebServices

• Author: Alberto Simões, Xavier Gómez Guinovart and José João Almeida
• Journal: Procesamiento del Lenguaje Natural
• Pages: 89–94
• Volume: 33
• Month: July
• Year: 2004
• Abstract: [ >> ][ << ]

  Translation Memories are very useful for translators but are difficult to share and reuse in a community of translators. This article presents the concept of Distributed Translation Memories, where all users can contribute and sharing translations. Implementation details using WebServices are shown, as well as an example of a distributed system between Portugal and Spain.

• Downloads: [pdf] 

EN Parallel Corpora word alignment and applications

• Author: Alberto Manuel Brandão Simões
• School: Escola de Engenharia - Universidade do Minho
• Year: 2004
• Abstract: [ >> ][ << ]

  Parallel corpora are valuable resources on natural language processing and, in special, on the translation area. They can be used not only by translators, but also analyzed and processed by computers to learn and extract information about the languages. In this document, we talk about some processes related with the parallel corpora life cycle. We will focus on the parallel corpora word alignment. The necessity for a robust word-aligner arived with the TerminUM project which goal is to gather parallel corpora from different sources, align, analyze and use them to create bilingual resources like terminology or translation memories for machine translation. The starting point was Twente-Aligner, an open-source word aligner developed by Djoerd Hiemstra. Its results were interesting but it worked only for small sized corpora. The work done began with the re-engineering of Twente-Aligner, followed by the analysis of the alignment results and the development of several tools based on the extracted probabilistic dictionaries.

• Downloads: [pdf] 

PT TX — Validação de XML baseada em tipos dinâmicos

• Author: José João Almeida and Alberto Simões
• Booktitle: XATA 2004 - XML, Aplicações e Tecnologias Associadas
• Pages: 217–224
• Year: 2004
• Isbn: 972-99166-0-8
• Editor: José Carlos Ramalho and Alberto Simões
• Month: February
• Abstract: [ >> ][ << ]

  Desde o advento do SGML e posteriormente do XML, que a validação de documentos tem sido focada. Esta validação surgiu para analisar a estrutura dos documentos SGML e XML usando DTDs. Além dessa, e devido às restrições do XML em relação ao SGML, a validação de XML bem formado também tem sido usada. Mais recentemente, os Schema e Schematron vieram permitir a validação a um nível superior: não só a estrutura do documento mas também alguma validação de conteúdo. Neste artigo apresentamos a ferramenta TX que visa outro nível de validação, em que os tipos possam ser mais ricos e/ou calculados dinamicamente, e onde se possa definir funções de anotação e/ou correcção das porções do documento que não sigam as especificações.

• Downloads: [pdf] 

PT Memórias de Tradução Distribuídas

• Author: Alberto Simões, José João Almeida and Xavier Gomez Guinovart
• Booktitle: XATA 2004 — XML, Aplicações e Tecnologias Associadas
• Pages: 59–68
• Year: 2004
• Isbn: 972-99166-0-8
• Editor: José Carlos Ramalho and Alberto Simões
• Month: February
• Abstract: [ >> ][ << ]

  Neste documento apresenta-se o conceito de memórias de tradução distribuídas, discutindo-se o seu interesse na área da tradução, bem como as vantagens que uma ferramenta de tradução pode tirar do seu uso. É apresentada uma possível implementação de memórias de tradução distribuídas usando WebServices numa arquitectura de cooperativismo. São definidos as mensagens (API) que um serviço deste género deve implementar para que uma ferramenta de tradução possa tirar partido da colaboração entre tradutores.

• Downloads: [pdf] 

EN Music publishing

• Author: Alberto Manuel Simões and J. João Almeida
• Year: 2003
• Isbn: 972-98921-2-1
• Publisher: Universidade do Minho
• Editor: Sely Costa et al.
• Booktitle: ElPub 2003 – International conference on electronic publishing
• Month: June
• Pages: 288–298
• Abstract: [ >> ][ << ]

  Current music publishing in the Internet is mainly concerned with sound publishing. We claim that music publishing is not only to make sound available but also to define relations between a set of music objects like music scores, guitar chords, lyrics and their meta-data. We want an easy way to publish music in the Internet, to make high quality paper booklets and even to create Audio CD's. In this document we present a workbench for music publishing based on open formats, using open-source tools and script programming over them. The workbench is based on an archive specification written in a text-based format which includes sound references, music scores, chords and lyrics and their meta-information.

• Downloads: [pdf] 

PT Projecto TerminUM

• Author: J. João Almeida, Alberto Simões, José Castro, Bruno Martins and Paulo Silva
• Year: 2003
• Publisher: Universidade do Minho
• Booktitle: CP3A 2003 – Workshop em Corpora Paralelos, Aplicações e Algoritmos Associados
• Moth: June
• Pages: 7-14
• Abstract: [ >> ][ << ]

  O projecto TerminUM tem como objectivos principais o estudo, experimentação e a criação de recursos na área dos corpora paralelos, terminologia (descritiva) e recursos multilingues ligados a corpora: fazer extracção tão automática quanto possível de corpora a partir da web; fazer extracção de dicionários, de terminologia e de outros recursos ligados à tradução; criar e interligar as ferramentas desenvolvidas; criar e disponibilizar: (1) listas de Bitextos, corpora e corpora paralelos, (2) ferramentas de criação e transformação de corpora, (3) recursos multilingues derivados/ligados a corpora. Nesta apresentação serão abordadas algumas tarefas presentemente a decorrer no âmbito do projecto, nomeadamente: ciclo de vida da construção e transformação de corpora; resumo das ferramentas desenvolvidas (e em desenvolvimento); construção de corpora paralelos tomando como base legendas de filmes (subtitles), ficheiro de internacionalização (mensagens de software .po) e ficheiros de memórias de tradução (TMX); animação de corpora paralelos via web (criação de motores de consulta usando diversas ferramentas).

• Downloads: [pdf] 

PT Alinhamento de corpora paralelos

• Author: Alberto Simões
• Year: 2003
• Publisher: Universidade do Minho
• Booktitle: CP3A 2003 – Workshop em Corpora Paralelos: aplicações e algoritmos associados
• Address: Braga
• Month: June
• Pages: 71–77
• Abstract: [ >> ][ << ]

  Este documento apresenta um conjunto de ferramentas denominado NATools para o alinhamento de corpora paralelos. É apresentado o processo de alinhamento tendo em conta os vários níveis intervenientes, desde o convencional alinhamento à frase, até ao alinhamento à palavra, com a criação dos respectivos dicionários de tradução. São apresentadas medidas em relação ao tempo usado para o alinhamento, bem como resultados obtidos. São discutidas técnicas para a detecção de traduções de termos multi-palavra usando o algoritmo de alinhamento à palavra. Os dicionários de tradução obtidos irão ser explicados e as suas aplicações exploradas: navegação e consulta web dos dicionários produzidos e corpora usado; alinhamento ao segmento de palavra (ou tradução "por exemplo"); classificação automática da qualidade de um par de traduções.

• Downloads: [pdf] 

EN NATools – A Statistical Word Aligner Workbench

• Author: Alberto M. Simões and J. João Almeida
• Journal: Procesamiento del Lenguaje Natural
• Volume: 31
• Pages: 217–224
• Month: September
• Year: 2003
• Abstract: [ >> ][ << ]

  This document presents the TerminUM project and the work done in its statistical word aligner workbench (NATools). It shows a variety of alignment methods for parallel corpora and discusses the resulting terminological dictionaries and their use: evaluation of sentence translations; construction of a multi-level navigation system for linguistic studies or statistical translations.

• Downloads: [pdf] 

PT Engenharia reversa de HTML usando tecnologia XML

• Author: José João Almeida and Alberto Manuel Simões
• Booktitle: XATA — XML, Aplicações e Tecnologias Associadas
• Year: 2003
• Abstract: [ >> ][ << ]

  O proliferar de ferramentas criadores de HTML e o uso de HTML guiado pelo aspecto, tem vindo a arruinar o seu lado conceptual. Este problema foi reconhecido e deu origem a vários formatos ou tecnologias com o objectivo de separar o aspecto do conceito. No entanto a realidade actual mostra uma enorme quantidade de páginas HTML com péssima leitura conceptual e estrutural, invalidando uma série de usos possíveis da informação nelas contida. Nesta comunicação apresenta-se um trabalho (em fase inicial) que pretende fazer engenharia reversa de HTML para permitir aumentar a sua acessibilidade, a fim de ser usada num browser para invisuais.

• Downloads: [pdf] 

PT Histórias de Vida + Processamento Estrutural = Museu da Pessoa

• Author: Alberto Manuel Simões and José João Almeida
• Booktitle: XATA — XML, Aplicações e Tecnologias Associadas
• Year: 2003
• Abstract: [ >> ][ << ]

  Este artigo apresenta a arquitectura actual do Museu da Pessoa, contemplando a forma como os documentos estão a ser editador, catalogados, arquivados, e processados para a criação das estruturas necessárias ao Museu.

• Downloads: [pdf] 

PT Extracção de corpora paralelo a partir da web: construção e disponibilização

• Author: José João Almeida, José Alves Castro and Alberto Manuel Simões
• Booktitle: Actas da Associação Portuguesa de Linguística
• Year: 2002
• Abstract: [ >> ][ << ]

  Ao longo deste documento descrever-se-á um conjunto de ferramentas construídas para extracção automática de recursos bilingues a partir da Web, a partir de um site específico, a partir de um sistema de ficheiros contendo alguns textos que sejam traduções de outros, ou ainda a partir de memórias de tradução. Neste trabalho apresenta-se todo o processo de construção de corpora paralelo desde os algoritmos de minagem dos dados (data mining) até à construção de vários tipos de recursos bilingues incluindo a construção automática de corpus paralelos pesquisáveis na Internet.

• Downloads: [pdf] 

PT Geração de voz com sotaque

• Author: José João Almeida and Alberto Manuel Simões
• Booktitle: Actas da Associação Portuguesa de Linguística
• Year: 2002
• Abstract: [ >> ][ << ]

  Como é sabido os sotaques podem estar ligados a uma zona geográfica, a um grupo social, podem até ser uma característica pessoal. O seu estudo e descrição tem interessado muitos investigadores embora normalmente esse estudo tem sido feito de modo pouco formal. No trabalho que aqui se relata, tentou-se descrever formalmente sotaques e disfunções através de criação de regras a integrar como variantes num gerador de voz. Deste modo, pretendeu-se criar um ambiente de experimentação dos modelos construídos para descrever algumas características de certos sotaques ou certas disfunções, de modo a permitir a sua validação. Constatou-se que se consegue obter certas disfunções e certos sotaques com facilidade por simples acrescento de regras opcionais em certas fases da geração da voz. Outros, aparentam ser de maior dificuldade, ou por não conhecermos suficiente bem os fenómenos neles envolvidos ou envolverem maior complexidade prosódica.

• Downloads: [pdf] 

EN Grabbing parallel corpora from the web

• Author: José João Almeida, Alberto Manuel Simões and José Alves Castro
• Journal: Procesamiento del Lenguaje Natural
• Volume: 29
• Pages: 13–20
• Month: September
• Year: 2002
• Abstract: [ >> ][ << ]

  Multilingual resources are useful for linguistic studies, translation, and many other tasks. Unfortunately, these resources are difficult to obtain and organize. In this document we describe a set of tools designed to help in the task of mining bilingual resources from the web, from a specific site, from a file system, from a list of URLs, or from a translation memory. As a design goal we intend to build tools that can be used both cooperatively (in pipeline) and also in a independent way.

• Downloads: [pdf] 

EN Library::* — a toolkit for digital libraries

• Author: Alberto Manuel Simões and José João Almeida
• Year: 2002
• Booktitle: ElPub 2002 - Technology Interactions
• Isbn: 3-89700-357-0
• Abstract: [ >> ][ << ]

  In last years the amount of digital documents has increased dramatically. Unfortunately the same did not occur with the structure and organization of the information. Traditionally we built a digital library using a catalog with documents' meta-information including a conceptual classification and an ontology of concepts. In this document we present a set of modules to help in the task of building and maintaining a digital library. It includes a module to work with ontologies, a set of modules to handle specific catalog formats (like BibTeX), a module to define new catalog formats and a tool to integrate ontologies and multi-format catalogs in a web browse-able knowledge-base.

• Downloads: [pdf] 

EN Silicon Virtual Machines

• Year: 2002
• Booktitle: Internal Conference on Computer Architecture
• Author: Alberto Manuel B. Simões
• Abstract: [ >> ][ << ]

  This communication looks into some virtual machine implementations, from the common stack-based architecture to the newest register-based one. It evaluates the feasibility of their implementation on silicon and how this approach can improve performance while maintaining language flexibility. Silicon virtual machines are not successful in the CPU market, mainly due to the inherent limitations of a virtual machine architecture: these are developed too centered on a language, making them very efficient for that language and very slow executing applications developed for other languages. This communication concludes with the statement that the best virtual machine we can make is a simple processor, similar to the ones we use nowadays.

• Downloads: [pdf] 

EN Directory Attribute Grammars

• Author: Alberto Manuel Simões, José João Almeida and Pedro Rangel Henriques
• Booktitle: VI Simpósio Brasileiro de Linguagens de Programação
• Isbn: 85-88442-20-5
• Pages: 297–308
• Year: 2002
• Abstract: [ >> ][ << ]

  To publish documents we must take care of documents' structure and their formal layout. If a large document is composed by a lot of parts including text, images, code and so on, they will lay in different files; so file organization should also be a concern in the mind of the publisher. Normally, we focus on the structure and design, and forget file organization until this becomes a trouble, at production stage. The most common way to organize files is using the file system; directory structure is very flexible but quickly becomes disorganized. In this paper we present a way to turn a file system tree into an organized web page, using a grammatical formalism (hereafter called Directory Attribute Grammars: DAG = AG + Makefiles). We developed a tool (similar to a compiler) to publish different formats on the web, automatically, from the file structure and a DAG specification. This tool allows us to maintain a huge number of documents of different types, and process them systematically.

• Downloads: [pdf] 

PT Cálculo de frequências para entradas de dicionários através do uso conjunto de analisadores morfológicos, taggers e corpora

• Author: Paulo Alexandre Rocha, Alberto Manuel Simões and José João Almeida
• Booktitle: Actas da Associação Portuguesa de Linguística
• Year: 2001
• Pages: 407–418
• Abstract: [ >> ][ << ]

  Apresentamos neste documento uma possível abordagem à extracção de frequências de palavras a partir de corpora, baseada numa utilização cooperativa de várias ferramentas de Processamento de Linguagem Natural.

• Downloads: [pdf] 

PT jspell.pm — um módulo de análise morfológica para uso em Processamento de Linguagem Natural

• Author: Alberto Manuel Simões and José João Almeida
• Booktitle: Actas da Associação Portuguesa de Linguística
• Pages: 485–495
• Year: 2001
• Abstract: [ >> ][ << ]

  Neste documento é nosso propósito apresentar as características presentes no analisador morfológico jspell e quais as suas consequências ao nível de aplicações de processamento de linguagem natural. Como ferramenta que é frequentemente integrada em software mais específico, apresentamos um módulo Perl desenvolvido com o objectivo de facilitar a interligação do analisador morfológico com pequenas aplicações desenvolvidas em linguagens de scripting. Devido à constante necessidade de melhoramento de dicionários, e em particular dos analisadores morfológicos, discutimos as propriedades que estes devem conter para facilitar o seu processamento e enriquecimento automático.

• Downloads: [pdf] 

EN Text to speech — "A rewriting system approach"

• Author: José João Almeida and Alberto Manuel Simões
• Journal: Procesamiento del Lenguaje Natural
• Pages: 247–253
• Volume: 27
• Year: 2001
• Abstract: [ >> ][ << ]

  In this document we present an open source Portuguese text to speech. Our first goal is to provide a flexible way to extend it, using a generic way to convert Portuguese words on SAMPA phonemes, and consult dictionaries only on exceptions examples. The Text-to-Speech is compound of five layers, each one based on simple rules in a way to be easily tuned. In order to do that, we wrote a generic text rewriting system that is presented in the section two. The result of this work is a tool that can be used as an independent Text-to-Speech system or as a Natural Language Processing library for various tasks. We present some examples how them can be used in the Applications section.

• Downloads: [pdf] 

EN Alfarrábio: Adding value to an Heterogeneous Site Collection

• Author: José João Almeida, Pedro Rangel Henriques, Jorge Rocha and Alberto Simões
• Booktitle: Congresso Nacional de Bibliotecários e Arquivistas
• Address: Porto
• Month: May
• Year: 2001
• Abstract: [ >> ][ << ]

  The Web is probably the largest collection of digital resources ever built, and it maintains it's continuous growth. But this large collection is not a digital library, according to the most accepted sense, since it lacks some fundamental mechanisms. While it is possible to create and maintain a structured site, with powerful cataloging mechanisms and information retrieval, in a way that can be considered as a digital library, the task of grouping several heterogeneous sites with the same purpose is a more complicated problem, and several approaches can be taken. In this article, we report our effort to develop information extraction, cataloging and browsing mechanisms to a set of heterogeneous cultural sites, to be regarded, from the user's point of view, as a single digital library. Our case study is based on the Alfarrábio project, a cultural cooperative to maintain and support the publication of cultural resources on the Web, both by individuals and non-profit organizations. The cataloguing task of every relevant document (HTML pages are just specific instances of documents) was one of the main concerns of the project; it is supported by automatic tools. We build a semantic net of all related terms (according to predefined and user's defined relations) crossing all Alfarrábio resources: whole sites, HTML pages, images, travel maps, sound files, XML documents, relational data, etc. This is quite different from the approaches taken by the so-called portals, where information within different channels is not crossed, and resources (and whole sites) are only cataloged in broader terms. Due to the lack of human resources, we developed a set of automatic cataloging tools and dynamically generated browsing tools. The participation of each site creator in the cataloguing of his own information is supported and encouraged. In this article we present and explain the developed tools for information extraction, for cataloging maintenance, and for conceptual browsing.

• Downloads: [pdf] 

PT Museu da Pessoa — Arquitectura

• Year: 2000
• Booktitle: ABAD - Associação Bibliotecários e Arquivistas
• Author: J. João Almeida, J. Gustavo Rocha, P. Rangel Henriques, Sónia Moreira and Alberto Simões
• Abstract: [ >> ][ << ]

  É conhecido o extremo valor patrimonial e sociológico das Histórias de Vida. No entanto, apesar do encanto irresistível das histórias, trata-se de um património em rápido desaparecimento. O Museu da Pessoa é um arquivo fundamentalmente acessível pela Internet, que apresenta um conjunto de especificidades:

  arquivo electrónico; documentos multi-formato e contendo documentos; complexidade do ciclo de vida de aquisição das histórias; meta-informação, documentos, estruturas classificativas, postos de construção e consulta, tudo no mesmo suporte; trabalho cooperativo multi-instituição, internacional. Neste documento descreve-se o projecto e apresenta-se a arquitectura do Museu da Pessoa discutindo-se a problemática associada à sua concretização.

• Downloads: [pdf] 

PT Escola Online — Um Projecto Apresenta-se

• Author: Alberto Manuel Brandão Simões and Isabel Maria Brandão Simões
• Booktitle: Actas da II conferência internacional de Tecnologias de Informação e Comunicação na Educação
• Pages: 1195 - 1202
• Year: 2000
• Abstract: [ >> ][ << ]

  Neste documento pretendemos apresentar um projecto iniciado à cerca de um ano com o objectivo de construir uma base de dados documental de artigos escritos por alunos do segundo ciclo sobre as matérias lectivas. Apresentamos as finalidades com que foi construído, o que é actualmente e o que queremos que seja. Explicamos, também, que tecnologias suportam o projecto e quais as suas vantagens.

• Downloads: [pdf]